Афанасьев Д.О., Федорова Е.А., 2019

Applied Energy 236, 196-210

DOI: 10.1016/j.apenergy.2018.11.076

Статья на ScienceDirect (в открытом доступе до 18.01.2019 г.)

Аннотация

Повышение аккуратности краткосрочного прогноза цены электроэнергии позволяет участникам рынка на сутки вперед добиваться положительного экономического эффекта за счет подачи заявок, близких к равновесной рыночной цене. Однако в общем случае соответствующие временные ряды содержат экстремальные значения из-за высокой волатильности цен. В данной работе затрагиваются вопросы влияния предварительной фильтрации нехарактерных цен (выбросов) на точность прогнозов, получаемых с помощью введенной недавно авторегрессионной модели с сезонной компонентой. Рассмотрены такие методы идентификации выбросов (с априорно заданными параметрами), как фиксированный порог цены, порог цены на базе стандартного отклонения, процентный порог цены, рекурсивный и скользящий фильтры. Показано, что предобработка данных во многих случаях приводит к увеличению точность, а ошибка прогноза уменьшается (относительно подхода без фильтрации) в отдельных случаях на 1,8-1,9% от средненедельной цены (в абсолютных единицах). При этом для априорно выбранных параметров отсечения лучшие результаты показывают методы фиксированного порога цены и порога на базе стандартного отклонения, приводящие к улучшению точность в 63% и 67% рассмотренных случаев, соответственно. В то же время, при вневыборочной оптимизации параметров на сетке все методы демонстрируют эквивалентную предсказательную способность (равную предельной точности). На практике подобная оптимизация затратна по ресурсам и не может быть выполнена на будущих данных. В качестве альтернативы предлагается комбинированный фильтр цены на базе метода комитета большинства, который использует результаты индивидуальных не оптимизированных алгоритмов и не требователен к времени вычисления, но при этом приводит к точности, сопоставимой с лучшей, которую удается достичь для каждого из рассмотренных рынков, а также показывает уменьшение ошибки прогноза в 63% из рассмотренных случаев.

Ключевые слова: прогнозирование цены электроэнергии, фильтрация выбросов, метод
комитетов, доверительное множество моделей, долгосрочная тренд-сезонная компонента

Авторские комментарии

Авторы выражают благодарность Гиленко Е.В. (к.э.н., Санкт-Петербургский государственный университет, Россия) за его ценные и стимулирующие комментарии по содержанию работы, а также за помощь с переводом. Статья также была существенно улучшена в результате обработки замечаний трех анонимных рецензентов и главного редактора журнала профессора Дж. Ян. Исследование выполнено при финансовой поддержке Российского фонда фундаментальных исследований (РФФИ) в рамках научного проекта № 16-06-00237 A. Пожалуйста, ознакомьтесь с заявлением об ограничении ответственности.